电池极性检测方法、装置、设备及存储介质与流程

本发明涉及检测，尤其涉及一种电池极性检测方法、装置、设备及存储介质。

背景技术：

1、动力电池在生产或使用过程中，为保证动力电池的正常性能，需要将多个基于电池阴阳极的极性按照一定顺序连接成电池组。为防止出现错误摆放或者遗漏摆放等情况，需要准确检测电池区域的阴阳极性。

2、现有技术中，动力电池xray下的阴阳极位置检测一般利用x射线成像技术。具体来说，通过对电池进行x光扫描，可以获取电池内部的阴阳极位置信息。目前常用的x射线成像技术有：传统x射线投影成像：通过传统的x射线投影成像技术，可以获取电池内部阴阳极的分布情况。ct成像：ct（computed tomography）成像技术可以获取电池内部阴阳极的三维分布情况，更加精准地确定其位置和形状。在获得图像后，主要通过对电池的成像图求梯度，然后通过图像梯度阈值判断是电池的阴极还是阳极。但是这种算法有一个很大的缺点，就是电池成像不是很好的情况下，例如阴阳极模糊，对比度不是很高，这就很难真实有效的检测出动力电池的阴阳极位置，电池极性检测效果较差。

技术实现思路

1、本发明的主要目的在于提供一种电池极性检测方法、装置、设备及存储介质，旨在解决现有技术电池极性检测效果差的问题。

2、为实现上述目的，本发明提供一种电池极性检测方法，包括：

3、获取待处理图像，以及标记的感兴趣区域roi区域；

4、通过滑动窗口定位并提取roi图像；

5、通过边缘提取算法提取roi图像的边缘图像；

6、对边缘图像提取边缘点；

7、对边缘点进行直线拟合，并基于直线拟合确定roi图像的旋转角度；

8、基于旋转角度对roi图像进行旋转，获得水平roi图像；

9、获取对水平roi图像的极性标注信息，并进行标注；

10、基于已标注的水平roi图像对待训练的深度学习模型进行训练，获得电池极性检测深度学习模型；

11、利用电池极性检测深度学习模型进行电池极性检测。

12、可选地，

13、通过边缘提取算法提取roi图像的边缘图像的步骤之前包括：

14、对roi图像进行频域滤波处理，获得降噪roi图像；

15、通过边缘提取算法提取roi图像的边缘图像的步骤包括：

16、通过边缘提取算法提取降噪roi图像的边缘图像。

17、可选地，

18、通过边缘提取算法提取roi图像的边缘图像的步骤包括：

19、用2d高斯滤波模板进行卷积以消除噪声；

20、利用导数算子找到图像灰度地沿着两个方向的偏导数，并求出边缘梯度的大小；

21、利用偏导数计算边缘梯度的方向；

22、基于边缘梯度的方向，将边缘梯度方向分类；

23、遍历图像，比较图像像素的灰度值与图像像素在梯度方向上前后两个像素的灰度值；

24、提取roi图像的边缘图像。

25、可选地，

26、通过滑动窗口定位并提取roi图像的步骤之前包括：

27、对roi区域提取图像特征，其中，图像特征包括统计学特征和形态学特征；

28、对图像特征进行均质化处理；

29、通过滑动窗口定位并提取roi图像的步骤包括：

30、基于均质化处理的图像特征通过滑动窗口定位并提取roi图像。

31、可选地，

32、基于已标注的水平roi图像对待训练的深度学习模型进行训练的步骤之前包括：

33、基于已标注的水平roi图像进行数据扩充操作，获得扩充数据集；其中数据扩充操作包括图像旋转、图像翻转以及图像裁剪中的至少之一；

34、基于已标注的水平roi图像对待训练的深度学习模型进行训练的步骤包括：

35、基于扩充数据集对待训练的深度学习模型进行训练。

36、可选地，待训练的深度学习模型包括卷积神经网络cnn、循环神经网络rnn以及残差网络resnet中的至少一种。

37、可选地，利用电池极性检测深度学习模型进行电池极性检测的步骤包括：

38、获取待检测的目标图像，以及标记的待检测roi区域；

39、通过滑动窗口定位并提取待检测roi图像；

40、将待检测r0i区域图像输入电池极性检测深度学习模型进行处理，输出极性检测结果。

41、为实现上述目的，本发明还提供一种电池极性检测装置，电池极性检测装置包括：

42、获取模块，用于获取待处理图像，以及标记的感兴趣区域roi区域；

43、提取模块，用于通过滑动窗口定位并提取roi图像；

44、旋转模块，用于将roi图像旋转至水平朝向，获得水平roi图像；

45、标注模块，用于获取对水平roi图像的极性标注信息，并进行标注；

46、训练模块，用于基于已标注的水平roi图像对待训练的深度学习模型进行训练，获得电池极性检测深度学习模型；

47、检测模块，用于利用电池极性检测深度学习模型进行电池极性检测。

48、此外，为实现上述目的，本发明还提供一种电池极性检测设备，包括存储器与处理器，存储器上存储有电池极性检测程序，电池极性检测程序被处理器执行时实现如上的电池极性检测方法的步骤

49、此外，为实现上述目的，本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储有电池极性检测程序，电池极性检测程序被处理器执行时实现如上的电池极性检测方法的步骤。

50、本发明提供的电池极性检测方法、装置、设备及计算机可读存储介质，相较于现有技术，其有益效果为，

51、通过滑动窗口定位并提取roi图像；将roi图像旋转至水平朝向，获得水平roi图像；获取对水平roi图像的极性标注信息，并进行标注；

52、基于已标注的水平roi图像对待训练的深度学习模型进行训练，获得电池极性检测深度学习模型；利用电池极性检测深度学习模型进行电池极性检测。通过上述方式，将深度学习技术嵌入到电池阴极阳极检测领域中，通过训练深度学习检测模型对图像进行检测识别，确定电池阴极和阳极的位置，相较于其他电池极性检测算法，运行速度更快，检测识别精确度更高，获得较好的检测效果。且在训练好模型后应用模型的检测过程中，可以实际的被检测目标为对象进行主动学习，即以待检测的图像进行基于上述步骤进行进一步的训练，进一步完善优化电池极性检测深度学习模型，提高精确度。

技术特征：

1.一种电池极性检测方法，其特征在于，包括：

2.如权利要求1所述的电池极性检测方法，其特征在于，所述通过边缘提取算法提取所述roi图像的边缘图像的步骤之前包括：

3.如权利要求1所述的电池极性检测方法，其特征在于，所述通过边缘提取算法提取所述roi图像的边缘图像的步骤包括：

4.如权利要求1所述的电池极性检测方法，其特征在于，所述通过滑动窗口定位并提取roi图像的步骤之前包括：

5.如权利要求1所述的电池极性检测方法，其特征在于，所述基于已标注的水平roi图像对待训练的深度学习模型进行训练的步骤之前包括：

6.如权利要求1所述的电池极性检测方法，其特征在于，所述待训练的深度学习模型包括卷积神经网络cnn、循环神经网络rnn以及残差网络resnet中的至少一种。

7.如权利要求1-6中任一项所述的电池极性检测方法，其特征在于，所述利用所述电池极性检测深度学习模型进行电池极性检测的步骤包括：

8.一种电池极性检测装置，其特征在于，包括：

9.一种电池极性检测设备，其特征在于，包括存储器与处理器，所述存储器上存储有电池极性检测程序，所述电池极性检测程序被所述处理器执行时实现如权利要求1-7中任一项所述的电池极性检测方法的步骤。

10.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的电池极性检测方法步骤。

技术总结
本发明公开了一种电池极性检测方法，包括：获取待处理图像，以及标记的感兴趣区域ROI区域；通过滑动窗口定位并提取ROI图像；将所述ROI图像旋转至水平朝向，获得水平ROI图像；获取对所述水平ROI图像的极性标注信息，并进行标注；基于已标注的水平ROI图像对待训练的深度学习模型进行训练，获得电池极性检测深度学习模型；利用所述电池极性检测深度学习模型进行电池极性检测。本发明还公开电池极性检测装置、设备及存储介质。本发明能够提高电池极性的检测效果。

技术研发人员：段存立,祝启航
受保护的技术使用者：东莞市兆丰精密仪器有限公司
技术研发日：
技术公布日：2024/1/15